Обнаружение слепоты при диабетической ретинопатии с использованием алгоритма связанных компонентов на основе байесовского варианта в Keras и TensorFlow

Ананта Бабу Ш., Мурали С., Виджаян Э., Ананд М., Раманатан Л. Обнаружение слепоты при диабетической ретинопатии с использованием алгоритма связанных компонентов на основе байесовского варианта в Keras и TensorFlow // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 3. С. 575–584 (на англ. яз.). doi: 10.17586/2226-1494-2023-23-3-575-584

Нейродегенеративное заболевание глаз — глаукома, вызывается повышением внутриглазного давления сетчатки. Это вторая по значимости причина слепоты в мире. Отсутствие раннего диагноза приводит к полной слепоте. Актуальной проблемой является создание системы диагностики, которая может функционировать без большого количества оборудования, высококвалифицированного медицинского персонала и занимает мало времени. Предложенное в работе моделирование состоит из трех этапов: предварительная подготовка, тонкая настройка и логический вывод. Вероятностная пиксельная идентификация (байесовский вариант) позволяет прогнозировать тяжесть заболевания по наличию визуальных признаков, таких как аномалия кровеносных сосудов, наличие твердых экссудатов и ватообразных очагов. Рассмотрено сочетание машинного обучения, глубокого обучения и методов обработки изображений для оценки и идентификации диагностических изображений. Входное изображение проверено с использованием байесовской архитектуры связанных компонентов. Для обнаружения области интереса (ROI) применен алгоритм наиболее яркого пятна. Для обнаружения стадий диабетической ретинопатии по фотографиям глазного дна выполнены расчеты диска и чаши зрительного нерва. Изображения сегментированы от 0 до 4 с использованием архитектуры VGGNet16 и алгоритма SMOTE. Представленная модель с применением алгоритма ResNet на основе ансамбля с Efficient Net дала оценку точности 93 % и предсказанный коэффициент Каппа изображения (p < 0,01) 0,755 набора данных изображения сетчатки глазного дна.

1. Stitt A.W., Curtis T.M., Chen M., Medina R.J., McKay G.J., Jenkins A., Gardiner T.A., Lyons T.J., Hammes H.-P., Simó R., Lois N. The progress in understanding and treatment of diabetic retinopathy // Progress in Retinal and Eye Research. 2016. V. 51. P. 156–186. https://doi.org/10.1016/j.preteyeres.2015.08.001
2. Mahmoud M.H., Alamery S., Fouad H., Altinawi A., Youssef A.E. An automatic detection system of diabetic retinopathy using a hybrid inductive machine learning algorithm // Personal and Ubiquitous Computing. 2021. P. 1–15. https://doi.org/10.1007/s00779-020-01519-8
3. Dai L., Wu L., Li H., Cai C., Wu Q., Kong H., Liu R., Wang X., Hou X., Liu Y., Long X., Wen Y., Lu L., Shen Y., Chen Y., Shen D., Yang X., Zou H., Sheng B., Jia W. A deep learning system for detecting diabetic retinopathy across the disease spectrum // Nature Communications. 2021. V. 12. N 1. P. 3242. https://doi.org/10.1038/s41467-021-23458-5
4. Leung D.Y.L., Tham C.C. Normal‐tension glaucoma: Current concepts and approaches‐A review // Clinical & Experimental Ophthalmology. 2022. V. 50. N 2. P. 247–259. https://doi.org/10.1111/ceo.14043
5. French J.A., Lawson J.A., Yapici Z., Ikeda H., Polster T., Nabbout R., Curatolo P., de Vries P.J., Dlugos D.J., Berkowitz N., Voi M., Peyrard S., Pelov D., Franz D.N. Adjunctive everolimus therapy for treatment-resistant focal-onset seizures associated with tuberous sclerosis (EXIST-3): a phase 3, randomised, double-blind, placebo-controlled study // The Lancet. 2016. V. 388. N 10056. P. 2153–2163. https://doi.org/10.1016/s0140-6736(16)31419-2
6. Nazir T., Nawaz M., Rashid J., Mahum R., Masood M., Mehmood A., Ali F., Kim J., Kwon H.-Y., Hussain A. Detection of diabetic eye disease from retinal images using a deep learning based CenterNet model // Sensors. 2021. V. 21. N 16. P. 5283. https://doi.org/10.3390/s21165283
7. Barros D., Moura J.C., Freire C.R., Taleb A.C., Valentim R.A., Morais P.S. Machine learning applied to retinal image processing for glaucoma detection: review and perspective // BioMedical Engineering OnLine. 2020. V. 19. N 1. P. 20. https://doi.org/10.1186/s12938-020-00767-2
8. Ray J.S.R., Babu S.A., James J.W., Vedaiyan R. ARIMA based Time Series Analysis: Forecast COVID-19 Most Vaccinated Process and Active Cases classify using Probability Distribution Curve Rates (ARIMAPDC) // Proc. of the 2nd International Conference on Smart Electronics and Communication (ICOSEC). 2021. P. 546–551. https://doi.org/10.1109/ICOSEC51865.2021.9591774
9. Raj R.J.S., Babu Anantha S., Jegatheesan A., Arul Xavier V.M. A GAN-based triplet FaceNet detection algorithm using deep face recognition for autism child // Lecture Notes in Electrical Engineering. 2022. V. 905. P. 177–187. https://doi.org/10.1007/978-981-19-2177-3_18
10. Babu S.A., Joshua Samuel Raj R., Varalatchoumy M., Gopila M., Febiyola Justin B.V. Novel approach for predicting COVID-19 symptoms using ARM based APRIORI algorithm // Proc. of the 6th International Conference on Computing Methodologies and Communication (ICCMC). 2022. P. 1577–1580. https://doi.org/10.1109/ICCMC53470.2022.9753987
11. Khojasteh P., Aliahmad B., Kumar D.K. A novel color space of fundus images for automatic exudates detection // Biomedical Signal Processing and Control. 2019. V. 49. P. 240–249. https://doi.org/10.1016/j.bspc.2018.12.004
12. Kouassi Nzoughet J., Guehlouz K., Leruez S., Gohier P., Bocca C., Muller J., Blanchet O., Bonneau D., Simard G., Milea D., Procaccio V., Lenaers G., de la Barca J.M.C., Reynier P. A data mining metabolomics exploration of glaucoma // Metabolites. 2020. V. 10. N 2. P. 49. https://doi.org/10.3390/metabo10020049
13. Pang R., Labisi S.A., Wang N. Pigment dispersion syndrome and pigmentary glaucoma: overview and racial disparities // Graefe's Archive for Clinical and Experimental Ophthalmology. 2023. V. 261. N 3. P. 601–614. https://doi.org/10.1007/s00417-022-05817-0
14. Wang X., Zhao Y., Pourpanah F. Recent advances in deep learning // International Journal of Machine Learning and Cybernetics. 2020. V. 11. N 4. P. 747–750. https://doi.org/10.1007/s13042-020-01096-5
15. Domingues I., Pereira G., Martins P., Duarte H., Santos J., Abreu P.H. Using deep learning techniques in medical imaging: a systematic review of applications on CT and PET // Artificial Intelligence Review. 2020. V. 53. N 6. P. 4093–4160. https://doi.org/10.1007/s10462-019-09788-3
16. Aloysius N., Geetha M. A review on deep convolutional neural networks // Proc. of the 2017 International Conference on Communication and Signal Processing (ICCSP). 2017. P. 0588–0592. https://doi.org/10.1109/iccsp.2017.8286426
17. Yu Z., Jiang X., Zhou F., Qin J., Ni D., Chen S., Wang T. Melanoma recognition in dermoscopy images via aggregated deep convolutional features // IEEE Transactions on Biomedical Engineering. 2019. V. 66. N 4. P. 1006–1016. https://doi.org/10.1109/tbme.2018.2866166
18. Ooi A.Z.H., Embong Z., Abd Hamid A.I., Zainon R., Wang S.L., Ng T.F., Hamzah R.A., Teoh S.S., Ibrahim H. Interactive blood vessel segmentation from retinal fundus image based on canny edge detector // Sensors. 2021. V. 21. N 19. P. 6380. https://doi.org/10.3390/s21196380
19. Abdulsahib A.A., Mahmoud M.A., Mohammed M.A., Rasheed H.H., Mostafa S.A., Maashi M.S. Comprehensive review of retinal blood vessel segmentation and classification techniques: intelligent solutions for green computing in medical images, current challenges, open issues, and knowledge gaps in fundus medical images // Network Modeling Analysis in Health Informatics and Bioinformatics. 2021. V. 10. N 1. P. 1–32. https://doi.org/10.1007/s13721-021-00294-7
20. Artaechevarria X., Munoz-Barrutia A., Ortiz-de-Solorzano C. Combination strategies in multi-atlas image segmentation: application to brain MR data // IEEE Transactions on Medical Imaging. 2009. V. 28. N 8. P. 1266–1277. https://doi.org/10.1109/tmi.2009.2014372
21. Jia S., Jiang S., Lin Z., Li N., Xu M., Yu S. A survey: Deep learning for hyperspectral image classification with few labeled samples // Neurocomputing. 2021. V. 448. P. 179–204. https://doi.org/10.1016/j.neucom.2021.03.035
22. Sazak Ç., Nelson C.J., Obara B. The multiscale bowler-hat transform for blood vessel enhancement in retinal images // Pattern Recognition. 2019. V. 88. P. 739–750. https://doi.org/10.1016/j.patcog.2018.10.011
23. Alshaikhli T., Liu W., Maruyama Y. Automated method of road extraction from aerial images using a deep convolutional neural network // Applied Sciences. 2019. V. 9. N 22. P. 4825. https://doi.org/10.3390/app9224825

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License